-
公开(公告)号：CN119094844A
公开(公告)日：2024-12-06
申请号：CN202411119760.4
申请日：2024-08-15
Applicant: 南京大学 , 江苏移动信息系统集成有限公司
IPC: H04N21/4402 , H04N21/44 , H04N21/234 , H04N21/2343 , H04N21/6547 , H04L65/80 , H04L65/70 , H04L65/75 , G06T3/4046 , G06T3/4053 , G06N3/006 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种面向移动端视频的自适应超分辨率方法和装置，所述方法包括：对基于超分辨率和动态比特率的移动端视频传输场景建立数学模型；建立适用于移动端的超分辨率模型；建立执行超分倍数和比特率决策的强化学习智能体模型；搭建使用大型数据集对超分模型和智能体进行预训练的系统；设计自适应重训练的机制与方法，超分辨率模型和智能体的决策下发给移动端设备用于视频拉取和观看。本发明综合考虑了移动端的能源消耗和视频传输效果，在移动端带宽波动较大的情况下利用设备的计算能力，增强视频的质量和加载的流畅度，提升用户整体的视频观看体验。
-
公开(公告)号：CN115240007A
公开(公告)日：2022-10-25
申请号：CN202210924010.9
申请日：2022-08-02
Applicant: 国家电网有限公司客户服务中心 , 南京大学 , 国网江苏省电力有限公司信息通信分公司 , 国网电力科学研究院有限公司
IPC: G06V10/764 , G06V10/42 , G06V10/82
Abstract: 本发明公开了一种基于频域分解神经网络的图像分类加速方法及设备。方法包括：将原始图像转化为RGB图像，并缩放为卷积神经网络的输入特征图所能接纳的图像像素大小相同的图像；将图像输入预先训练好的轻量化神经网络模型，进行图像分类识别，得到图像分类识别结果，其中，所述轻量化神经网络模型为通过对神经网络经过频域分解和轻量化得到。该轻量化神经网络模型将空间域的卷积运算转换为频率域的矩阵乘法运算并进行压缩，可以得到与原始神经网络的输出大致相同的输出，而具有更少的参数量和以FLOPs衡量的计算量。本发明显著地减少计算成本和存储成本，能够有效加速图像分类任务。
-
公开(公告)号：CN111950810A
公开(公告)日：2020-11-17
申请号：CN202010876972.2
申请日：2020-08-27
Applicant: 南京大学
Abstract: 本发明公开了一种基于自演化预训练的多变量时间序列预测方法和设备，所述方法基于预训练策略与卷积网络、长短记忆网络深度序列模型，结合单变量自演化信息与多变量依赖关系信息进行建模，实现了多变量时间序列预测的优化算法，同时兼顾了整体预测精度和局部单变量的预测精度。本发明具有较好的整体预测精度，对于局部单变量的预测精度保障性方面优于现有的多变量时间序列预测方法。
-
公开(公告)号：CN107171842B
公开(公告)日：2020-01-03
申请号：CN201710366309.6
申请日：2017-05-22
Applicant: 南京大学
IPC: H04L12/24 , H04L12/707 , H04L12/751 , H04L12/801 , H04L12/807
Abstract: 本发明公开了一种基于强化学习的多路径传输协议拥塞控制方法，通过建立马尔可夫决策过程，将拥塞控制形式化表示。用发送端的各个子流的拥塞窗口大小以及各个子流的RTT来表示各个子流当前的网络状态，定义发送端调整拥塞窗口和发送间隔的动作，建立目标方程，以获得最大平均吞吐量和最小平均时延为目的。通过建立网络模型，模拟产生多种网络环境。在不同的网络环境中，通过不断地试错，对当前网络环境做所有的动作，然后从环境给出的反馈中学习并优化动作。经过大量的线下学习，使得发送端可以在某一个状态区域做出相应的调整拥塞窗口大小和发送间隔的动作，以使得目标方程的值最大。
-
公开(公告)号：CN107171842A
公开(公告)日：2017-09-15
申请号：CN201710366309.6
申请日：2017-05-22
Applicant: 南京大学
IPC: H04L12/24 , H04L12/707 , H04L12/751 , H04L12/801 , H04L12/807
Abstract: 本发明公开了一种基于强化学习的多路径传输协议拥塞控制方法，通过建立马尔可夫决策过程，将拥塞控制形式化表示。用发送端的各个子流的拥塞窗口大小以及各个子流的RTT来表示各个子流当前的网络状态，定义发送端调整拥塞窗口和发送间隔的动作，建立目标方程，以获得最大平均吞吐量和最小平均时延为目的。通过建立网络模型，模拟产生多种网络环境。在不同的网络环境中，通过不断地试错，对当前网络环境做所有的动作，然后从环境给出的反馈中学习并优化动作。经过大量的线下学习，使得发送端可以在某一个状态区域做出相应的调整拥塞窗口大小和发送间隔的动作，以使得目标方程的值最大。
-
Patent Agency Ranking
公开(公告)号：CN102467820B
公开(公告)日：2013-11-27
申请号：CN201010530886.2
申请日：2010-11-04
Applicant: 南京大学
IPC: G08G1/01
Abstract: 本发明公开了一种基于移动车载网的十字路口违章车辆检测方法，位于十字路口区域的所有车辆构成一个车载自组网，在嫌疑车辆出现前所有等待绿灯的车辆均为监视车辆，该检测方法步骤为：根据车载自组网中表现的不同特征确认嫌疑车辆，监视车辆向基站发送嫌疑车辆报告，再由基站进行违章界定。本发明将车载自组网络应用到闯红灯车辆的检测中去，根据车载自组网络中闯红灯的车辆与其他车辆之间的通信特征，实现对闯红灯车辆的自动检测，降低了人力监控成本，可以作为交通违章检测的辅助系统。
-
公开(公告)号：CN119448216A
公开(公告)日：2025-02-14
申请号：CN202411452042.9
申请日：2024-10-17
Applicant: 南京大学 , 国电南瑞科技股份有限公司
Abstract: 本发明公开了一种电力系统安自装置动作方案生成方法、装置、设备及存储介质。方法包括：基于电力系统的各类参与设备的关键属性，构建设备属性向量，并通过设备表示网络转化为设备表示向量；基于设备表示向量，经过聚合、拼接、多层感知机处理构建故障表示向量；根据电力系统设备网络的拓扑结构，构建设备拓扑图，并添加孤立的故障节点，使用设备表示向量和故障表示向量作为节点属性；通过多层消息传播网络、链接预测网络预测故障节点同设备节点的链接关系，并把链接关系转化为故障发生后的安自装置动作方案。本发明从历史数据中学习挖掘故障与设备的隐含关联，生成安自装置动作方案，从而实现大规模电力系统安自装置动作方案的智能化、快速化。
-
公开(公告)号：CN113988464B
公开(公告)日：2024-07-12
申请号：CN202111362895.X
申请日：2021-11-17
Applicant: 国家电网有限公司客户服务中心 , 南京大学 , 国网江苏省电力有限公司信息通信分公司 , 国网电力科学研究院有限公司
Abstract: 本发明公开了一种基于图神经网络的网络链路属性关系预测方法及设备。所述方法包括：将网络数据映射为对应的拓扑图结构，并得到拓扑图结构的节点属性矩阵；基于拓扑图结构获取无权重拓扑图结构的邻接矩阵，基于节点属性矩阵获取带权重拓扑图结构的邻接矩阵；根据无权重拓扑图结构的邻接矩阵，经过包含集成更新的传播机制生成节点的空间嵌入向量；根据拓扑图结构的节点属性矩阵和带权重拓扑图结构的邻接矩阵，经过包含集成更新的传播机制生成节点的属性嵌入向量；将空间嵌入向量和属性嵌入向量进行拼接，得到合成嵌入向量；将合成嵌入向量输入节点对关系提取器，最终得到节点之间的链路关系预测结果。本发明可提高网络链路属性关系预测的性能。
-
公开(公告)号：CN112148492B
公开(公告)日：2023-07-28
申请号：CN202011038113.2
申请日：2020-09-28
Applicant: 南京大学
IPC: G06F9/50 , G06F30/20 , G06F111/10 , G06F111/04
Abstract: 本发明提出了一种考虑多用户移动性的服务部署和资源分配方法，应用于边缘计算网络场景下。所述方法根据边缘计算场景进行建模，将其视为一个综合了服务计算时延开销、传输时延开销和服务迁移开销的最优化问题，并结合决策约束，通过对优化问题进行求解，得到多用户的服务部署和计算资源分配方案。本发明填补了领域空白，支持多用户服务部署，同时考虑了用户的移动性，具有广泛的适用性，提高边缘计算场景下任务分配和执行效率，从而提高网络整体处理性能。
-
公开(公告)号：CN116320620A
公开(公告)日：2023-06-23
申请号：CN202310349691.5
申请日：2023-04-04
Applicant: 南京大学
IPC: H04N21/4402 , H04N21/466 , H04L65/60 , H04N21/442 , G06N3/092 , G06N3/098 , G06N3/0442
Abstract: 本发明公开了一种基于个性化联邦强化学习的流媒体比特率自适应调整方法，在基于HTTP的动态自适应流系统中，基于个性化联邦学习和深度强化学习，通过建立马尔可夫决策过程，将比特率自适应过程形式化表示。用户在本地使用强化学习来学习比特率自适应策略。目标方程以最大化用户的体验质量为目的。使用联邦学习协调用户和中央服务器来训练全局模型，并为每个用户使用本地数据在全局模型的基础上训练个性化模型。经过大量的训练，用户可以使用个性化模型来选择比特率从而实现在当前网络条件下目标方程的值最大。本发明在保护隐私不泄露的同时解决了网络环境和用户行为的重尾特性。
-
-
-
-
-
-
-
-
-
Search Results
53
records
(took 0.042 seconds)
